طراحی آزمایش جهت بهینه سازی یادگیری عمیق برای پیش بینی سری زمانی
ترجمه نشده

طراحی آزمایش جهت بهینه سازی یادگیری عمیق برای پیش بینی سری زمانی

عنوان فارسی مقاله: طراحی آزمایش جهت بهینه سازی یادگیری عمیق معماری برای پیش بینی سری زمانی غیر خطی
عنوان انگلیسی مقاله: Design of Experiment to Optimize the Architecture of Deep Learning for Nonlinear Time Series Forecasting
مجله/کنفرانس: پروسدیای علوم کامپیوتر - Procedia Computer Science
رشته های تحصیلی مرتبط: مهندسی کامپیوتر، مهندسی فناوری اطلاعات
گرایش های تحصیلی مرتبط: مهندسی نرم افزار، هوش مصنوعی، مهندسی الگوریتم ها و محاسبات
کلمات کلیدی فارسی: یادگیری عمیق، شبکه پیشخور عمیق، طراحی آزمایش، پیش بینی، سری زمانی
کلمات کلیدی انگلیسی: Deep learning، deep feedforward network، design of experiment، forecasting، time series
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.procs.2018.10.528
دانشگاه: Department of Statistics, Institut Teknologi Sepuluh Nopember, Jl Raya ITS Sukolilo, Surabaya 60111, Indonesia
ناشر: الزویر - Elsevier
نوع ارائه مقاله: کنفرانس
نوع مقاله: ISI
سال انتشار مقاله: 2018
ایمپکت فاکتور: 1/013 در سال 2017
شاخص H_index: 34 در سال 2019
شاخص SJR: 0/258 در سال 2017
شناسه ISSN: 1877-0509
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 8
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
کد محصول: E11179
فهرست انگلیسی مطالب

Abstract


1- Introduction


2- Neural Network Model


3- Experimental Plan


4- Results and Discussion


5- Conclusions and Future Works


6- Acknowledgments


References

نمونه متن انگلیسی مقاله

Abstract


The neural architecture is very substantial in order to construct a neural network model that produce a minimum error. Several factors among others include the input choice, the number of hidden layers, the series length, and the activation function. In this paper we present a design of experiment in order to optimize the neural network model. We conduct a simulation study by modeling the data generated from a nonlinear time series model, called subset 3 exponential smoothing transition auto-regressive (ESTAR ([3]). We explore a deep learning model, called deep feedforward network and we compare it to the single hidden layer feedforward neural network. Our experiment resulted in that the input choice is the most important factor in order to improve the forecast performance as well as the deep learning model is the promising approach for forecasting task.


Introduction


Time series is an observational data that is collected over time with the same time periods, such as in hours, days, weeks, months, and years [11]. Based on the data pattern, time series models are divided into two, namely linear time series model and nonlinear time series model. One very flexible method of forecasting time series data that contains both linear and nonlinear patterns is the neural network. The advantage of using a neural network is that it is not necessary to determine the shape of a particular model because the model is adaptively formed based on the features presented from the data [23]. Neural network adopts the biological neuron workings consisting of neurons as input processing, then the existing input value will be summed by a function of the summing function, and gives output based on the weight. Neural network models are widely applied in various fields of forecasting such as stock prices [10, 8, 14, 12, 6, 7], inflowoutflow [18], electricity consumption [4], and interest rates [19].

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

طراحی آزمایش جهت بهینه سازی یادگیری عمیق برای پیش بینی سری زمانی
نوشته های مرتبط
مقالات جدید
لوگوی رسانه های برخط

logo-samandehi

پیوندها